How to run durbin watson test in stata forex

Estatística de Durbin Watson O que é a estatística de Durbin Watson A estatística de Durbin Watson é um número que testa a autocorrelação nos resíduos de uma análise de regressão estatística. A estatística de Durbin-Watson está sempre entre 0 e 4. Um valor de 2 significa que não há autocorrelação na amostra. Os valores que se aproximam 0 indicam autocorrelação positiva e os valores para 4 indicam autocorrelação negativa. BREAKING Down A estatística de Durbin Watson A autocorrelação pode ser um problema significativo na análise de dados históricos se não se sabe cuidar disso. Por exemplo, uma vez que os preços das ações tendem a não mudar muito radicalmente de um dia a outro, os preços de um dia para o outro podem ser altamente correlacionados, embora haja pouca informação útil nesta observação. Para evitar problemas de autocorrelação, a solução mais fácil em finanças é simplesmente converter uma série de preços históricos em uma série de mudanças de preço percentual do dia a dia. Cálculo da estatística de Durbin Watson A fórmula para a estatística de Durbin Watson é bastante complexa, mas envolve os resíduos de uma regressão de mínimos quadrados comuns em um conjunto de dados. O exemplo a seguir ilustra como calcular esta estatística. Suponha os seguintes pontos de dados (x, y): Emparelhar um (10, 1.100) Parar dois (20, 1.200) Parar três (35, 985) Parar quatro (40, 750) Parar cinco (50, 1.215) Parar seis (45 , 1.000) Usando os métodos de uma regressão de mínimos quadrados para encontrar a linha de melhor ajuste, a equação para a melhor linha de ajuste desses dados é: Y -2.6268x 1.129.2 Esta primeira etapa no cálculo da estatística de Durbin Watson é calcular o esperado Y valores usando a linha de equação de melhor ajuste. Para este conjunto de dados, os valores esperados são: Y esperado (1) -2.6268 x 10 1,129.2 1,102,9 Esperado Y (2) -2,6268 x 20 1,129,2 1,076,7 Esperado Y (3) -2,6268 x 35 1,129,2 1,037.3 Esperado Y (4) - 2,6268 x 40 1,129,2 1,024,1 Esperado Y (5) -2,6268 x 50 1,129,2 997,9 Esperado Y (6) -2,6268 x 45 1,129,2 1,011 Em seguida, calculam-se as diferenças dos valores reais de y em relação aos valores esperados y, os erros: Erro ( 1) (1.100 - 1.102.9) -2.9 Erro (2) (1.200 - 1.076.7) 123.3 Erro (3) (985 - 1.037.3) -52.3 Erro (4) (750 - 1.024.1) -274.1 Erro (5) (1.215 - 997.9) 217.1 Erro (6) (1.000 - 1.011) -11 A seguir, esses erros devem ser quadrados e somados: Soma de erros ao quadrado (-2.92 123.32 -52.32 -274.12 217.12 -111) 140.368.5 Em seguida, o valor do erro menos o erro anterior é Calculado e quadrado: diferença (1) (123.3 - (-2.9)) 126.3 Diferença (2) (-52.3 - 123.3) -175.6 Diferença (3) (-274.1 - (-52.3)) -221.9 Diferença (4) (217.1 - (-274.1)) 491.3 Diferença E (5) (-11 - 217.1) -228.1 Soma das diferenças quadradas 389.392.2 Finalmente, a estatística de Durbin Watson é o quociente dos valores quadrados: Durbin Watson 389.392.2 140.368,5 2.77 Bem-vindo ao Instituto de Pesquisa e Educação Digital SAS FAQ Como posso Calcula a estatística de Durbin-Watson e a autocorrelação de 1ª ordem em dados da série temporal. Quando o conjunto de dados de interesse é um dado da série temporal, poderemos calcular a autocorrelação de 1ª ordem para as variáveis ​​de interesse e testar se a autocorrelação é zero. Uma prova comum é o teste de Durbin-Watson. A estatística de teste Durbin-Watson pode ser calculada no proc reg usando a opção dw após a indicação do modelo. Aqui estão dois exemplos usando o conjunto de dados sp500.sas7bdat. As variáveis ​​de interesse estão abertas. fechar . Alto . Baixo e volume. Exemplo 1 . Informando a estatística de Durbin-Watson para uma variável. O valor da estatística de Durbin-Watson é próximo de 2 se os erros não estiverem correlacionados. No nosso exemplo, é .034. Isso significa que há uma forte evidência de que a variável aberta possui alta autocorrelação. Exemplo 2: Autocorrelação de primeira ordem de saída de múltiplas variáveis ​​em um conjunto de dados Digamos que queremos calcular a autocorrelação de 1ª ordem para todas as variáveis ​​de interesse. Podemos fazer uso da instalação ODS para produzir a autocorrelação de 1ª ordem para cada variável para um conjunto de dados chamado autocorr. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia.